Predicción de la resistencia a compresión del hormigón mediante aprendizaje profundo optimizado y modelos de lenguaje grandes

Por qué esto importa para edificios más seguros y sostenibles

El hormigón sostiene nuestras viviendas, puentes y túneles, pero comprobar su resistencia suele implicar esperar semanas a los resultados de laboratorio. Este estudio explora cómo la inteligencia artificial avanzada puede predecir la resistencia del hormigón de forma rápida y precisa solo a partir de su formulación. Predicciones más rápidas y fiables podrían ayudar a los ingenieros a diseñar estructuras más seguras, reducir el ensayo y error en el laboratorio y facilitar el uso de ingredientes de bajo carbono, como subproductos industriales.

De datos de laboratorio desordenados a ingredientes digitales limpios

Los investigadores parten de un gran conjunto de datos públicos de mezclas de hormigón. Cada entrada indica cuánto cemento, escoria, ceniza volante, agua, aditivos químicos, arena, grava y tiempo de curado se usaron, junto con la resistencia final medida. Los datos reales de este tipo suelen ser inconsistentes: pueden faltar mediciones, las unidades pueden variar y pueden colarse valores atípicos extraños. Para abordar esto, el equipo usa modelos de lenguaje grandes —sistemas de IA de propósito general, normalmente usados para texto— para ayudar a limpiar y reestructurar los datos. Estos modelos guían tareas como comprobar rangos, reconciliar nombres y unidades, crear cantidades derivadas significativas como la relación agua/aglomerante y gestionar los valores atípicos. El objetivo es transformar una hoja de cálculo ruidosa en una descripción coherente y con sentido físico de cada mezcla, que los algoritmos de aprendizaje puedan procesar.

Enseñar a una red a ver tanto la mezcla como el tiempo

La resistencia del hormigón no depende solo de lo que entra en el mezclador; también importa cómo se desarrolla la resistencia durante días y semanas mientras el material cura. Muchas herramientas de predicción anteriores se centraron bien en los ingredientes o en las tendencias temporales, pero rara vez en ambos a la vez. Este trabajo utiliza una red convolucional gráfica espaciotemporal, un tipo de modelo que trata cada ingrediente (como cemento, agua, escoria o aditivos) como un nodo en una red, con conexiones que reflejan cuán fuertemente interactúan. Al mismo tiempo, explora el eje temporal para aprender cómo estas combinaciones aumentan su resistencia con la edad. En efecto, el modelo aprende patrones como «alto contenido de cemento y poca agua suele conducir a una resistencia mayor y más rápida», al tiempo que captura papeles más sutiles de la escoria, las cenizas y los agentes químicos en distintos periodos de curado.

Permitir que un optimizador «similar al humano» ajuste la IA

Incluso redes neuronales potentes pueden rendir poco si sus parámetros internos —como la tasa de aprendizaje, el número de capas o el tamaño de los filtros— se eligen mal. En lugar de ajustarlos a mano, los autores usan un nuevo método de optimización llamado Algoritmo de Optimización iHow. Inspirado en cómo aprenden las personas, alterna entre una exploración amplia de muchos diseños posibles y un refinamiento centrado de los más prometedores, manteniendo una especie de memoria interna de lo que ha funcionado hasta ahora. Este optimizador explora el espacio de diseños de red y ajustes de entrenamiento para el modelo basado en grafos, con el objetivo de minimizar los errores de predicción evitando el sobreajuste. La misma familia de ideas de optimización se utiliza también para la selección de características, recortando la lista de entradas hasta las magnitudes más informativas y manteniendo el modelo compacto e interpretable.

¿Qué tan bien funciona en comparación con otras herramientas de IA?

El equipo realiza comparaciones extensas frente a una amplia gama de alternativas: redes profundas estándar, transformadores al estilo visión, autoencoders variacionales, redes informadas por la física y varios optimizadores metaheurísticos como enjambre de partículas y algoritmos genéticos. También prueban cuatro canalizaciones de preprocesamiento distintas impulsadas por diferentes modelos de lenguaje, demostrando que una mejor limpieza y creación de características mejora notablemente la precisión final. En todas estas pruebas, la combinación de la optimización iHow con la red gráfica espaciotemporal ofrece los errores de predicción más bajos y la mayor concordancia con las resistencias medidas. Comprobaciones estadísticas, incluidas análisis de varianza y pruebas de rango no paramétricas, confirman que estas mejoras no son probablemente debidas al azar.

Qué implica esto para la práctica constructiva futura

En términos sencillos, el estudio muestra que un modelo de IA basado en grafos cuidadosamente ajustado y alimentado con datos bien limpiados puede predecir la resistencia del hormigón con mucha más fiabilidad que enfoques anteriores. Captura cómo interactúan los ingredientes y el tiempo de curado, y utiliza un optimizador de «aprender a aprender» para afinarse. Aunque los autores subrayan que el método aún debe probarse en conjuntos de datos más diversos y reales antes de incorporarse a códigos de construcción o sistemas de control de plantas, ya apunta a un futuro en el que los ingenieros puedan explorar en el ordenador formulaciones más verdes con la confianza de que las resistencias previstas coincidirán estrechamente con las observadas después en el laboratorio o en obra.

Cita: Zaman, S., Eid, M.M., Mattar, E.A. et al. Predicting concrete compressive strength using optimized deep learning and large language models. Sci Rep 16, 11076 (2026). https://doi.org/10.1038/s41598-026-41072-7

Palabras clave: predicción de resistencia del hormigón, aprendizaje profundo en construcción, redes neuronales gráficas, algoritmos de optimización, materiales de hormigón sostenibles